雖然機器學(xué)習(xí)好處多多，為什么并非誰都在采用它？這些絆腳石是其中幾個最主要的原因。

人工智能（AI）目前正在席卷市場，如同第四次工業(yè)革命最具革命性的技術(shù)那樣。商業(yè)界的每個人都在談?wù)撍?，似乎它將永遠(yuǎn)改變這個世界，而且它在許多方面已經(jīng)改變了世界。最近的研究表明，67%的企業(yè)高管將AI視為實現(xiàn)流程自動化、提高效率的一種有效手段。但是普通消費者也將它視為促進社會公平的一種有力工具，超過40%的人認(rèn)為AI將讓低收入人群更有機會享用最基本的服務(wù)（醫(yī)療、法律和交通等）。

然而，自動化流程改造社會的步伐原本可以更快，有幾個問題目前讓它陷入困境。阻礙采用機器學(xué)習(xí)的最大絆腳石有哪些呢？

一家公司、尤其是是大公司是復(fù)雜的機體。就像神話中的九頭蛇那樣，公司有好多頭腦常常需要做同樣的決定，比如首席信息官（CIO）、首席數(shù)字官（CDO），顯然還有首席執(zhí)行官（CEO）。所有這些高官都掌管各自的部門，這些部門本該齊心協(xié)力推動公司的人工智能工作。但是這一幕在實際場合下很少出現(xiàn)。

第一步是明確誰“擁有”機器學(xué)習(xí)項目，因此誰負(fù)責(zé)帶頭在公司內(nèi)部實施。在幾個早已建立的數(shù)據(jù)和分析團隊需要確保同步的企業(yè)，許多團隊卻將精力分散到無數(shù)小項目上，這并不罕見。小型試點項目也許有助于總體了解機器學(xué)習(xí)科學(xué)，但常常無法獲得核心業(yè)務(wù)所需要的自動化效率。

IT服務(wù)管理（ITSM）也許是一種有效的方案可以解決這個問題，幫助各個IT團隊明白公司中哪些部門帶來相當(dāng)大的收入，自動化又可以提高利潤或減少錯誤率。

機器學(xué)習(xí)是一種古老又新穎的技術(shù)。原始的AI可追溯到80年代初，但深度學(xué)習(xí)算法的最新發(fā)展幫助這項技術(shù)向前邁進了一大步。從事于這個領(lǐng)域且專業(yè)知識足夠扎實的真正的專家寥寥無幾，尤其當(dāng)谷歌和Facebook搶走了80%擁有博士學(xué)位的機器學(xué)習(xí)工程師。

許多企業(yè)知道自己的局限性，只有20%的企業(yè)認(rèn)為自己的IT專家擁有處理AI的必需技能。對機器學(xué)習(xí)技能的需求在迅速增長，但如今擁有所需專長和才干的那些人才是真正的搖滾明星。然而，在深度學(xué)習(xí)算法方面受過充分培訓(xùn)的那些人當(dāng)中許多可能沒有正式的資格（比如碩士學(xué)位）來證明這一點。記住：這個領(lǐng)域還很新――今天的許多開拓者是從根本就沒有機器學(xué)習(xí)博士學(xué)位的時代走過來的傳統(tǒng)程序員。

現(xiàn)在許多人力資源專業(yè)人員得克服這個難題：為復(fù)雜性可能超過專業(yè)技能本身的崗位招到合適人選。今天，連講述機器學(xué)習(xí)工程師、數(shù)據(jù)科學(xué)家和前端開發(fā)人員的能力有何差異都并非易事。然而，最終基于AI的招聘本身有望成為幫助所有人力資源經(jīng)理的解決方案。

在AI借助最先進的機器學(xué)習(xí)算法學(xué)習(xí)任何東西之前，需要為AI饋送數(shù)據(jù)，而且是大量數(shù)據(jù)。然而在大多數(shù)時候，這些數(shù)據(jù)還沒有準(zhǔn)備好供企業(yè)使用，如果是非結(jié)構(gòu)化形式的數(shù)據(jù)更是如此。數(shù)據(jù)聚合過程復(fù)雜又費時，尤其是數(shù)據(jù)分開來存儲或使用不同的處理系統(tǒng)時。所有這些步驟都需要由不同類型的專家組成的專門團隊全神貫注來完成。

只要數(shù)據(jù)里面含有大量的敏感或個人信息，提取的數(shù)據(jù)也常常無法使用。雖然加密這些信息最終讓數(shù)據(jù)可用，但必須為這些繁瑣的工作投入另外的時間和資源。為了解決上游問題，需要匿名化的敏感數(shù)據(jù)一旦收集就要分開來存儲。

靈活性不是所有人都擁有的特征。當(dāng)無法向不是程序員或工程師的人簡單地解釋深度學(xué)習(xí)算法時，希望借助AI來利用新商機的那些人可能會開始減少。在一些比較傳統(tǒng)的實體行業(yè)尤為如此。實際上，大多數(shù)時候，歷史數(shù)據(jù)實際上并不存在，需要對照實際數(shù)據(jù)來測試算法以證明其效率。不難理解在石油和天然氣鉆探等一些行業(yè)，不夠理想的結(jié)果可能導(dǎo)致重大風(fēng)險。

數(shù)字化轉(zhuǎn)型方面仍然落后的許多公司可能需要徹底革新整套基礎(chǔ)設(shè)施，才能合理地采用AI。效果可能很久過后才顯現(xiàn)出來，因為在試驗出成果之前需要收集、使用和消化數(shù)據(jù)。啟動一個無法保證值得投入的大型機器學(xué)習(xí)項目需要某種程度的靈活性、資源和勇氣，許多企業(yè)可能完全缺乏這個。

許多仍然緩慢或阻礙AI發(fā)展的絆腳石與人的本性和行為有關(guān)，而不是與這項技術(shù)本身的局限有關(guān)。

對于仍然懷疑機器學(xué)習(xí)潛力的那些人來說，沒有明確的答案。這是一條從未走過的道路，在這個發(fā)展階段仍需要現(xiàn)場試驗。我們再一次需要利用當(dāng)初幫助人類達(dá)到最非凡高度的一種特質(zhì)：我們的適應(yīng)能力。只不過這一回我們需要將這個技能教給智能機器。